CN114034969A - 一种基于修正算法的能源控制器电流回路事件生成方法 - Google Patents

Abstract

本发明涉及事件生成方法技术领域，具体公开了一种基于修正算法的能源控制器电流回路事件生成方法，通过采用多组数据对循环神经网络进行训练，得出适合的循环神经网络模型；然后周期读取的电流回路状态数据采用循环神经网络模型对数据进行修正，最后再利用修正后的数据采用边缘计算、连续多次求异常值等算法检测电流回路事件及其类型，以此减少了电流回路事件中由于误差的引入导致的电流回路事件漏报以及晚报的问题。

Description

一种基于修正算法的能源控制器电流回路事件生成方法

技术领域

本发明涉及事件生成方法技术领域，尤其涉及一种基于修正算法的能源控制器电流回路事件生成方法。

背景技术

在用户电力系统中，由于公民法制意识不强以及现有用电系统管理和技术上存在漏洞等原因，窃电现象常常存在。当窃电现象存在时，一般会导致计量装置中电流回路异常。常见的几种电流回路异常状态包括：回路短路，回路开路，回路中接入其他整流设备等。现阶段常用的防窃电手段是通过检测电流回路的状态，判断是否有电流回路事件产生及其事件类型。根据电流回路事件及其类型来判断窃电现象是否存在以及具体的窃电类型。

检测电流回路状态判断电流回路事件及其类型的方法，通常是首先周期读取电流回路状态，然后再采用边缘计算、连续多次求异常值等算法确定电流回路事件及其类型。但是由于电流回路状态检测的不精确性存在，周期读取的数据中会可能会存在误差。而且电力用电系统一般是三相电，状态读取时会将三相的电流回路状态数据同时读取，这样更增加了误差的产生。

针对误差数据的处理，典型的处理方法是直接舍弃这些数据，利用剩余的数据采用边缘计算、连续多次求异常值等算法判别是否有电流回路事件产生及其类型。但是这样的处理方法，会导致电流回路事件的漏报以及晚报现象存在。

发明内容

本发明的目的在于提供一种基于修正算法的能源控制器电流回路事件生成方法，旨在解决现有技术中的电流回路中由于误差的引入导致的电流回路事件漏报及晚报的技术问题。

为实现上述目的，本发明采用的一种基于修正算法的能源控制器电流回路事件生成方法，包括如下步骤：

步骤一：提前模拟多种误差现象，采用多组有误差的电流回路状态数据作为输入，消除误差后期望得到的电流回路状态数据作为输出，训练循环神经网络，得到适合电流回路状态的循环神经网络模型；

步骤二：周期性读取三相电流回路状态，将A、B、C三相的电流回路状态均记录下来；

步骤三：针对A、B、C每项电流回路状态数据采用循环神经网络模型进行数据修正，即将周期读取得到的A、B、C项电流回路状态数据作为循环神经网络模型的输入，将训练的循环神经网络模型的输出作为修正后的电流回路状态数据；

步骤四：利用修正后的电流回路状态数据采用边缘计算、连续多次求异常值等算法确定电流回路事件及其类型。

其中，在步骤一中：

所述循环神经网络由输入层，隐藏层和输出层构成。

其中，当前时刻的所述输出层的结果与当前时刻的所述隐藏层的数值有关，而当前时刻的所述隐藏层的数值既与当前时刻的输入值有关，而且与上一时刻的所述隐藏层的数值有关，用公式表达为：O_t＝g(V·S_t)

S_t＝f(U·X_t+W·S_t-1)

式中，O_t为t时刻的输出，S_t为t时刻隐藏层的值，X_t为t时刻的输入值，S_t-1为t-1时刻隐藏层的值，U为输入层到隐藏层的权重矩阵，V是隐藏层到输出层的权重，W为隐藏层上一次的值对这一次的影响权重。

其中，在步骤一中：

将多组有误差的电流回路状态数据作为X_t，消除误差后期望得到的电流回路状态数据作为O_t；

由于电流回路状态的值总为正整数，循环神经网络模型为：O_t＝[V·S_t]

S_t＝[U·X_t+W·S_t-1]

式中，[]表示取整操作，训练此循环神经网络，得出V、U、W权重的值，即得到适合该电流回路状态的循环神经网络模型。

本发明的一种基于修正算法的能源控制器电流回路事件生成方法，通过采用多组数据对循环神经网络进行训练，得出适合的循环神经网络模型；然后周期读取的电流回路状态数据采用循环神经网络模型对数据进行修正，最后再利用修正后的数据采用边缘计算、连续多次求异常值等算法检测电流回路事件及其类型，以此减少了电流回路事件中由于误差的引入导致的电流回路事件漏报以及晚报的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的基于修正算法的能源控制器电流回路事件生成方法的流程图。

图2是本发明的循环神经网络原理图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

请参阅图1和图2，本发明提供了一种基于修正算法的能源控制器电流回路事件生成方法，包括如下步骤：

步骤一：提前模拟多种误差现象，采用多组有误差的电流回路状态数据作为输入，消除误差后期望得到的电流回路状态数据作为输出，训练循环神经网络，得到适合电流回路状态的循环神经网络模型；

步骤二：周期性读取三相电流回路状态，将A、B、C三相的电流回路状态均记录下来；

步骤三：针对A、B、C每项电流回路状态数据采用循环神经网络模型进行数据修正，即将周期读取得到的A、B、C项电流回路状态数据作为循环神经网络模型的输入，将训练的循环神经网络模型的输出作为修正后的电流回路状态数据；

步骤四：利用修正后的电流回路状态数据采用边缘计算、连续多次求异常值等算法确定电流回路事件及其类型。

在步骤一中：

所述循环神经网络由输入层，隐藏层和输出层构成。

当前时刻的所述输出层的结果与当前时刻的所述隐藏层的数值有关，而当前时刻的所述隐藏层的数值既与当前时刻的输入值有关，而且与上一时刻的所述隐藏层的数值有关，用公式表达为：O_t＝g(V·S_t)

S_t＝f(U·X_t+W·S_t-1)

式中，O_t为t时刻的输出，S_t为t时刻隐藏层的值，X_t为t时刻的输入值，S_t-1为t-1时刻隐藏层的值，U为输入层到隐藏层的权重矩阵，V是隐藏层到输出层的权重，W为隐藏层上一次的值对这一次的影响权重。

在步骤一中：

将多组有误差的电流回路状态数据作为X_t，消除误差后期望得到的电流回路状态数据作为O_t；

由于电流回路状态的值总为正整数，循环神经网络模型为：O_t＝[V·S_t]

S_t＝[U·X_t+W·S_t-1]

式中，[]表示取整操作，训练此循环神经网络，得出V、U、W权重的值，即得到适合该电流回路状态的循环神经网络模型。

周期性读取三相电流回路状态的具体步骤为：

能源控制器每间隔30s周期性与回路巡检模块进行交互，获取三相电流回路状态数据。

在步骤三中：

第一个读取的电流回路状态由于不存在前一时刻状态，故不做修正。

本实施例由回路巡检模块、能源控制器及主站构成。能源控制器负责周期性的读取回路巡检模块提供的电流回路状态数据，判断电流回路事件是否生成及其生成类型，并上报至主站，主站负责针对相应的事件及其类型做出处理。

在本实施方式中，本发明提供了一种基于循环神经网络修正算法的电流回路事件生成方法，包括如下步骤：

步骤一：提前模拟多种误差现象，采用多组有误差的电流回路状态数据作为输入，消除误差后期望得到的电流回路状态数据作为输出，训练循环神经网络，得到适合电流回路状态的循环神经网络模型。在本实施例上，不同的数值标识不同的电流回路状态，0表示回路正常，1表示回路短路，2表示回路开路，6表示回路中接入其他整流设备。

步骤二：能源控制器每间隔30s周期性与回路巡检模块进行交互，获取三相电流回路状态数据并将A、B、C三相的电流回路状态均记录下来。

步骤三：针对A、B、C每项电流回路状态数据采用循环神经网络模型进行数据修正，即将周期读取得到的A、B、C项电流回路状态数据作为循环神经网络模型的输入，将训练的循环神经网络模型的输出作为修正后的电流回路状态数据。第一个读取的电流回路状态由于不存在前一时刻状态故不做修正。

步骤四：能源控制器利用修正后的电流回路状态数据，采用边缘计算、连续多次求异常值等算法确定电流回路事件及其类型。

在本实施例中，在所述步骤一中，如图2所示，循环神经网络的基本原理为：循环神经网络，由输入层，隐藏层和输出层构成。其核心思想在于，当前时刻输出层的结果于当前时刻隐藏层的数值有关，而当前时刻隐藏层的数值既与当前时刻的输入值有关，而且与上一时刻隐藏层的数值有关。将循环神经网络按照时间顺序展开，用公式表达为：

O_t＝g(V·S_t)

S_t＝f(U·X_t+W·S_t-1)

式中，O_t为t时刻的输出，S_t为t时刻隐藏层的值，X_t为t时刻的输入值，S_t-1为t-1时刻隐藏层的值，U为输入层到隐藏层的权重矩阵，V是隐藏层到输出层的权重，W为隐藏层上一次的值对这一次的影响权重。

在本实施例中，在所述步骤一中，将多组有误差的电流回路状态数据作为X_t，即包含0、1、2、6等数字的多组数据。消除误差后期望得到的电流回路状态数据作为O_t，依旧只包含0、1、2、6等数字。假设选取1组有误差的电流回路状态数据，一组包含8个数据，模拟误差电流回路状态数据X＝{0,0,0,0,2,1,1,1}，实际期望得到的电流回路状态数据0＝{0,0,0,0,1,1,1,1}。

本发明采用的循环神经网络模型为：

O_t＝[V·S_t]

S_t＝[U·X_t+W·S_t-1] (1)

式中，[]表示取整操作，训练此循环神经网络，得出V、U、W权重的值，将V、U、W的值写入公式(1)，即得到了具体的适合该电流回路状态的循环神经网络模型。采用X和O的数据训练神经网络，得到

故适合该电流回路状态的循环神经网络模型为：

在本实施例中，在所述步骤一中，提供的有误差的电流回路状态数据以及消除误差后期望得到的电流回路状态数据越多，得到的数据模型越精确。

在所述步骤三中，将三相电流回路状态数据作为X_t，由于误差的引入，此时X_t可能包含不应该出现的数字和状态。以A相为例，假设读取到的A相电流回路状态数据X＝{0,0,0,0,1,2,1,1}代入公式(1)得到的具体的循环神经网络模型即公式(2)，得到的输出O_t作为修正后的A相电流回路状态数据O＝{0,0,0,0,1,1,1,1}。

在步骤四中，以连续多次求异常值为例，仍旧以A相数据为例，针对修正后的A相电流回路状态O＝{0,0,0,0,1,1,1,1}，在O₅时刻出现状态异常值1，假设连续读取3次异常值即认为有事件发生，O₆和O₇时刻数据与O₅时刻相同，故O₇时刻即可认为有回路事件产生，事件类型为A相电流短路。能源控制器将事件及其类型上报主站。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (4)

1.一种基于修正算法的能源控制器电流回路事件生成方法，其特征在于，包括如下步骤：

步骤一：提前模拟多种误差现象，采用多组有误差的电流回路状态数据作为输入，消除误差后期望得到的电流回路状态数据作为输出，训练循环神经网络，得到适合电流回路状态的循环神经网络模型；

步骤二：周期性读取三相电流回路状态，将A、B、C三相的电流回路状态均记录下来；

步骤三：针对A、B、C每项电流回路状态数据采用循环神经网络模型进行数据修正，即将周期读取得到的A、B、C项电流回路状态数据作为循环神经网络模型的输入，将训练的循环神经网络模型的输出作为修正后的电流回路状态数据；

步骤四：利用修正后的电流回路状态数据采用边缘计算、连续多次求异常值等算法确定电流回路事件及其类型。

2.如权利要求1所述的基于修正算法的能源控制器电流回路事件生成方法，其特征在于，在步骤一中：

所述循环神经网络由输入层，隐藏层和输出层构成。

3.如权利要求2所述的基于修正算法的能源控制器电流回路事件生成方法，其特征在于，

当前时刻的所述输出层的结果与当前时刻的所述隐藏层的数值有关，而当前时刻的所述隐藏层的数值既与当前时刻的输入值有关，而且与上一时刻的所述隐藏层的数值有关，用公式表达为：

O_t＝g(V·S_t)

S_t＝f(U·X_t+W·S_t-1)

式中，O_t为t时刻的输出，S_t为t时刻隐藏层的值，X_t为t时刻的输入值，S_t-1为t-1时刻隐藏层的值，U为输入层到隐藏层的权重矩阵，V是隐藏层到输出层的权重，W为隐藏层上一次的值对这一次的影响权重。

4.如权利要求3所述的基于修正算法的能源控制器电流回路事件生成方法，其特征在于，在步骤一中：

将多组有误差的电流回路状态数据作为X_t，消除误差后期望得到的电流回路状态数据作为O_t；

由于电流回路状态的值总为正整数，循环神经网络模型为：

O_t＝[V·S_t]

S_t＝[U·X_t+W·S_t-1]

式中，[]表示取整操作，训练此循环神经网络，得出V、U、W权重的值，即得到适合该电流回路状态的循环神经网络模型。

Images